Öngörüsel Segmentler

Geleneksel segmentler müşterileri yaş, cinsiyet veya konuma göre gruplandırır. Tahmine dayalı segmentler ise onları gelecekteki olası davranışlarına göre gruplandırır.

Soru, "Bu müşteri kim?" sorusundan "Bu müşteri bundan sonra ne yapacak?" sorusuna dönüşür. Geleceğe dönük bu yaklaşım, tahmine dayalı segmentleri pazarlama açısından çok daha eyleme dönüştürülebilir kılar.

RFM puanlaması müşterileri üç eksende sıralar: son satın alma zamanı, satın alma sıklığı ve parasal değer.

Her eksen genellikle beşlik dilimlere göre 1 ile 5 arasında puanlanır ve en iyi müşterileriniz için R5 F5 M5 gibi bir kod oluşturur. RFM, davranışsal segmentasyonun klasik ve anlaşılır omurgasıdır.

Ham RFM kodları, bir eylemi ima eden adlandırılmış segmentlerle eşleştirildiğinde kullanışlı hâle gelir.

Şampiyonlar sık ve yakın zamanda satın alır. Risk altındaki müşteriler geçmişte çok satın almıştır, ancak artık sessizdir. Yeni müşteriler yakın zamanda, fakat yalnızca bir kez satın almıştır. Her ad farklı bir kampanyaya işaret eder.

Müşteri başına LTV tahmin edildiğinde müşteriler platin, altın, gümüş ve bronz gibi değer katmanlarına ayrılabilir.

Bu yaklaşım, elde tutma bütçesinin karşılığını verdiği yerlere odaklanır. Müşterilerin en üstteki %20'si genellikle kârın çoğunu oluşturur; bu nedenle onları korumak önceliklidir.

Bir müşteri kaybı modeli, her aktif müşteriye sonraki dönemde ayrılma olasılığı atar. Müşteri kaybı riskinin tahmini değerle birleştirilmesi güçlü bir 2x2 matrisi oluşturur.

Yüksek değerli ve yüksek riskli müşteriler, acilen elde tutulması gereken hedeflerdir. Düşük değerli ve yüksek riskli müşteriler için elde tutma harcaması yapmaya hiç değmeyebilir.

Eğilim modelleri belirli bir gelecekteki eylemin olasılığını tahmin eder: sonraki satın alma, üst satış teklifini kabul etme veya kategoriye yönelik çapraz satış.

Yalnızca eğilim eşiğinin üzerindeki müşterileri hedeflemek kampanya verimliliğini artırır; çünkü teklif ne olursa olsun dönüşüm gerçekleştirme olasılığı düşük kişilere harcama yapmayı bırakırsınız.

K-ortalama gibi gözetimsiz yöntemler, müşterileri aynı anda birçok özellikteki benzerliklerine göre gruplandırarak önceden tanımlamadığınız segmentleri ortaya çıkarır.

Kümeler, "hafta sonu fırsat avcısı" veya "yenilikleri erken benimseyen üst segment müşteri" grubu gibi yapıları ortaya çıkarabilir. Bunun karşılığında yorumlanabilirlik azalır: Kümelerin eyleme yön vermesi için önce profillerinin çıkarılması ve adlandırılması gerekir.

İyi tahmin özellikleri satın alma geçmişinin ötesine geçer: e-posta etkileşimi, destek talepleri, uygulama oturumu sıklığı ve siparişler arasındaki süre gelecekteki davranışa işaret eder.

Beklenen satın alma zamanı ile gerçek satın alma zamanı arasındaki giderek açılan fark, müşteri kaybının en güçlü erken uyarılarından biridir ve genellikle müşteri resmen pasifleşmeden haftalar önce ortaya çıkar.

Müşteriler sürekli olarak segmentler arasında hareket eder. Satın almayı bırakan bir şampiyon risk altındaki müşteriye dönüşür; yeni bir müşteri ise altın katmanına yükselebilir.

Tahmine dayalı segmentler düzenli olarak, çoğu zaman günlük veya haftalık yeniden hesaplanmalıdır. Kayıt sırasında sabitlenen bir segment hızla geçerliliğini yitirir ve ilgisiz mesajların gönderilmesine neden olur.

Bir segment ancak diğerlerinden farklı davranıyorsa kullanışlıdır. LTV'sinin yüksek olacağı tahmin edilen müşterilerin zaman içinde gerçekten daha fazla gelir ürettiğini kontrol edin.

Artış grafikleri ve dışarıda tutulan gruplar, modelin müşterileri anlamlı biçimde ayırıp ayırmadığını veya yalnızca ortalamayı yeniden dağıtıp dağıtmadığını doğrular. İyi ayrılamayan segmentler hedefleme çabasını boşa harcar.

Her tahmine dayalı segment net bir pazarlama yanıtıyla eşleşmelidir: risk altındaki müşteriler için geri kazanma akışı, platin müşteriler için bir VIP programı, yeni müşteriler için bir başlangıç süreci dizisi.

Bu eşleştirme olmadan segmentasyon yalnızca analizden ibarettir. Sonraki ders bu tahminleri somut kampanyalara ve bütçe kararlarına dönüştürür.

Eyleme geçilmesi gereken en acil segmenti belirleyin.

Tahmine dayalı segmentler müşterileri RFM, tahmini LTV katmanları, müşteri kaybı riski, eğilim puanları ve kümeleme kullanarak gelecekteki davranışlarına göre gruplandırır.

Güçlü özellikler ve sık yeniden hesaplama doğruluğu korur, doğrulama gerçek artış etkisini onaylar ve her segment bir eylemle eşleştirilmelidir. Sırada bu tahminlere göre hareket etmek var.